首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 515 毫秒

1.  复杂网络重叠社团检测算法研究综述  
   李欢  莫欣岳《传感器与微系统》,2017年第36卷第1期
   社团结构是复杂网络的一项基本特性,对复杂网络中社团结构特别是重叠社团结构的检测,是复杂网络理论研究的一项重要且充满挑战的课题.对当前常用的重叠社团检测算法进行了分析和归纳,阐述每类算法特点,并介绍用于评价算法性能的一些基准图,对复杂网络重叠社团检测领域未来的研究方向提出了一些思考和建议.    

2.  社会合作网络中社团结构的搜索算法研究  被引次数:1
   范彦静  王化雨  蔡媛媛《信息技术与信息化》,2008年第2期
   许多实际的网络都具有一个共同性质,即它们都是由各个社团通过公共节点连接而成网络,因此,网络中社团的数目以及每个节点归属于社团的数目对于研究复杂网络都具有重要的意义。通过分析复杂网络的社团结构和寻找网络社团数目的传统算法,针对传统算法所存在的缺陷,提出了一种搜索社团结构的算法。该算法正确的对网络的社团结构进行了划分,且较好的改进了其运行效率。最后指出了进一步的研究方向。    

3.  集合扩充的社团分解算法  
   李圆媛  余汪建  何敏华《武汉工程大学学报》,2013年第35卷第9期
   社团结构是复杂网络的重要特征之一,寻找网络中的社团对于分析整个网络的结构和功能都有非常重要的意义.综述了一些经典的复杂网络社团结构划分的算法,提出了一种基于集合扩充的社团结构划分的新算法.该算法以网络中相邻的两个节点构成的集合为起点,用社团同外部联系的边的数目与社团内部边的数目的比值作为度量指标,通过计算将某一个邻居节点加入该集合后度量指标值的变化情况来判断某个邻居节点是否加入该集合,若度量指标值变小则将该邻居节点加入该集合,若度量指标值变大则不将该邻居节点加入该集合,直到不再有新的邻居节点加入时,一个社团就被划分出来.在剩下的网络中重复这个过程直到网络中的节点完全被划分.用社团结构分解中的两个经典例子测试了该算法,从测试结果来看,用该方法能够合理地划分网络中的社团结构,且运算量小,运行效率高,达到了预期目标.该社团结构的划分方法对于规模较大的复杂网络也具有普遍意义.    

4.  基于社团密度的社团发现算法  
   王玉英  何汶坤  史加荣《计算机应用研究》,2017年第34卷第7期
   发现社团结构是研究复杂网络的重要前提,目前社团发现算法研究存在两个较为严峻的问题:评价函数单一和经典算法时间复杂度过大并且无法发现小粒度的社团。针对上述问题,本文首先提出了一种合理的发现算法评价函数,即社团完整度,实验证明,与经典的模块度函数 相比,社团完整度函数能够更合理地评价社团划分质量且社团完整度函数的灵敏度高于模块度函数;其次,本文提出了基于社团密度的社团发现算法,实验证明,该算法不仅可以发现小粒度的社团结构,随着网络节点数和边数的增加BDA算法在时间复杂度方面也具有明显的优势。最后,本文尝试将BDA算法应用在科学合作者网络并得到合理的社团结构。    

5.  复杂网络社团划分算法研究  
   李尚英  高玲《信息技术与信息化》,2012年第1期
   网络社团发现的研究在生物学、计算机科学和社会学等多个领域具有重要意义。近年来,随着科学技术的进步,人们提出了很多社团划分的算法。本文综述了该领域比较有代表性的一些算法,然后提出了一种基于Map/Reduce模型的标号传播算法。最后,展望了该领域的未来研究方向。    

6.  一个基于多维特征向量的复杂网络社团结构发现算法  
   孙亚红  肖淑苹《计算机与数字工程》,2015年第43卷第4期
   作为复杂网络重要特性之一的社团结构在大量现实的大规模复杂系统研究中占有重要的一席地位.论文在研究现有的社团发现算法基础上,提出了一种基于多维特征向量的复杂网络社团结构发现算法,实验证明,该算法能够有效的发现复杂网络中的社团结构,对于进一步进行复杂网络上的信息挖掘具有重要的意义.    

7.  三种经典复杂网络社区结构划分算法研究  
   时京晶《电脑与信息技术》,2011年第19卷第4期
   社团结构是复杂网络的重要特征之一。针对复杂网络中社团划分问题,文章给出了三种经典的社团划分算法,阐述了各种算法的基本原理,并对各算法进行了适当的分析和比较,为实际应用中社团划分算法的选择提供了参考。    

8.  基于信息熵的复杂网络社团划分建模和验证  
   邓小龙  王柏  吴斌  杨胜琦《计算机研究与发展》,2012年第49卷第4期
   社团结构是复杂网络最普遍和最重要的拓扑属性之一,社团结构的划分方法对分析复杂网络相关统计特性具有十分重要的理论意义.为了提高社团划分精度,提出了一种新的基于信息熵(information entropy)模块度的社团划分算法(简称IE算法).在有着确定社团结构的数据集和不确定社团结构的数据集上,通过选取Q值、社团划分个数、社团最大连通分量大小和强弱社团个数比例4个重要参数,将IE算法与两种最主要的基于模块度的划分算法GN(Girvan-Newman)和FastGN(Fast Girvan-Newman)进行对比,实验结果证明了IE算法在社团划分性能上优于GN和FastGN;将IE和其他7种最主要的经典社团算法进行时间复杂度分析,并在随机网络和真实网络上进行实验,结果表明该算法时间复杂度在GN与FastGN之间,时间复杂度小于GN而精确度优于GN,证明了在大多数数据集上IE算法的社团划分准确度优于传统基于点边比率的社团划分算法的准确度.    

9.  基于改进的ACCA的复杂网络社团结构发现  
   臧丽  王红  杨通辉《计算机技术与发展》,2012年第10期
   复杂网络社团结构划分日益成为近年来复杂网络的研究热点,到目前为止,已经提出了很多分析复杂网络社团结构的算法.该文在聚类算法的基础上,提出了一种基于改进的ACCA的复杂网络社团结构发现方法.该文提出的方法的好处是社团数目不用事先被指定,并且此算法最大的优点就是能获取全局最优解.通过ZacharyKarate Club经典模型验证了该算法的可行性和有效性,实验结果表明,该算法能成功地发现各个社团,是一种行之有效的网络社团发现算法.    

10.  一种基于超网络视角的复杂网络社团区划算法  
       王恒山    《计算机应用研究》,2014年第31卷第2期
   社团结构是复杂网络最普遍和最重要的属性之一, 复杂网络的社团区划研究就是要合理地划分出复杂网络中真实存在的社团结构。主要将超网络的思想及理论方法应用于复杂网络的社团区划研究, 针对当前GN算法的一些不足, 从超网络视角出发, 结合标准化程度中心性理论方法, 构建了一种新的复杂网络社团区划算法, 通过算例对新算法进行了验证与分析。实验结果表明, 与GN算法相比, 新算法在区划结果上有所改进和完善。    

11.  基于MST的基因数据社团挖掘算法  被引次数:1
   刘飞《电子设计工程》,2014年第22卷第17期
   使用机器学习方法来分析生物信息学中一些复杂的基因表达数据是目前重要的研究领域之一.使用社团挖掘的方法对基因表达数据进行分类,社团内由类似的基因数据组成,研究和分析每个社团的结构和功能以及社团之间的关系,这对深刻认识诸多生物过程的本质有重要意义.将最小生成树的概念引入生物信息学中基因表达数据的社团挖掘分析中,设计了最小生成树来表示基因表达数据和基于此的社团挖掘算法,针对该算法提出一些目标函数,来判别基因表达数据社团挖掘算法的性能.最后,通过实验验证了该算法对于一些目标函数能够产生最优的社团划分,并且社团挖掘算法的性能良好.    

12.  复杂网络强社团结构探测  
   刘晋霞  曾建潮  薛耀文《小型微型计算机系统》,2011年第32卷第4期
   社团结构是反映复杂网络整体性质的重要特征,本文从强社团结构定义出发提出简单启发式强社团结构探测算法,受启发因素为度-度负相关性和簇-度负相关性.利用该算法对空手道俱乐部成员关系网络和美国大学橄榄球队网络进行社团结构探测,验证了该算法能正确探测出网络的强社团结构.并将划分结果与传统划分进行比较分析,该算法未引入其它量化指标或中间变量,降低了计算复杂度,在采用方法上不同于单纯的分裂或聚合,有效地提高了探测速度,更适合大规模复杂网络社团结构探测.    

13.  一种基于交互迭代式的多尺度社团发现算法研究  
   邓晓军《计算机应用研究》,2016年第33卷第2期
   社团发现是复杂网络研究领域的重要研究内容之一。为了提高社团发现的性能,本文提出了一种交互迭代式的多尺度社团发现算法。将网络中的社团定量描述为邻居节点、外来节点和重叠节点多个尺度的线性组合,并针对每个尺度给出了相应的矩阵计算描述。在应用上述定量描述指标对网络进行社团发现时,提出了一种包含两个阶段的迭代式社团发现算法。在这两个阶段中,分别固定社团集合和主社团集合,并且分别调整主社团集合和社团集合来最大化上述社团量化指标。实验表明,本文提出的算法与其它社团发现算法相比不仅准去性和效率高,而且具有很好的灵活性    

14.  基于传染病模型的LPA特征阀值社团划分方法  
   邓小龙  温颖《电子学报》,2016年第9期
   社团结构划分对于分析复杂网络的统计特性非常重要。在非均匀社交网络的信息传播中,社团结构划分更是一个广泛关注的研究热点,相关研究往往侧重于研究紧密连接的社团结构对于信息传播所产生的关键影响。传统社团划分方法大多基于点和边的相关特性进行构建,如标签传播算法LPA(Label Propagation Algorithm)通过半监督机器学习方法,基于网络节点标签的智能交换和社团融合过程进行社团划分,但运行效率较低。为提高LPA类算法的运行速度,使其快速收敛,并提高社团划分精度,特别是重叠社团划分精度,针对LPA算法划分中的低运行效率和低融合收敛速度,本文从标签传播的网络连接矩阵本质出发,将该矩阵的最大非零特征值与网络标签信息传播的阀值相结合,提出了新的基于传染病传播模型的社团划分方法(简称ESLPA算法,Epidemic Spreading LPA)。通过经典LFR Benchmark模拟测试网络、随机网络以及真实社交网络数据上的算法验证,结果表明该算法时间复杂度大幅优于经典LPA算法,在重叠社团划分上精确度优于基于LPA模型的经典COPRA算法,特别是在重叠社团较明显时,划分精度接近精度较高GA、N-cut和A-cut算法,明显优于GN、FastGN和CPM等经典算法。    

15.  社团挖掘和话题监控的互动模型研究  
   杨茹  陶晓鹏《计算机应用》,2009年第29卷第3期
   社团挖掘是Web信息挖掘领域的重要应用,而话题监控是文本信息研究领域的重要应用,目前这两种技术是各自独立的。为更好地应用于互联网形成的复杂社会网络,将这两种技术结合起来研究,发现了社团和话题之间的关系,创建了社团挖掘和话题监控的静态和动态互动模型,设计了社团挖掘、话题识别以及社团跟踪算法。    

16.  基于转移矩阵P的复杂网络聚类方法  
   吴亚晶  王洋  樊瑛《Canadian Metallurgical Quarterly》,2011年第47卷第1期
   提出了一种相对简单、有效的划分复杂网络社团结构的方法.该算法利用复杂网络的转移矩阵P和K均值聚类算法来划分社团结构,并且用量统计量判定最优的聚类结果,在探测社团结构明显的人工网时具有较高的准确度.    

17.  一种基于四元加权消减的复杂网络社团划分算法  
   邢雪  马杰良  安莉莉《延边大学理工学报》,2009年第35卷第1期
   延续广泛应用的社团结构分级聚类方法,提出了衡量网络社团结构的社团稠密度概念,从而反映了网络结构整体性质的重要特征,并将参数应用于对网络社团聚类的研究当中.特别是基于社团稠密的四元结构提出了基于四元加权消减的社团划分算法.通过复杂网络实例验证了该算法的有效性,并对实验结果进行了比较分析,得出该算法在准确性方面对加权网络有较好效果.    

18.  基于信号传递与层次聚类的社团发现算法  
   黄浩英  马英红《计算机工程与应用》,2010年第46卷第9期
   社团是社会网络的一个重要特征,社团发现是近年来研究的热点问题之一。通过在复杂网络上传递信号,获得各节点对网络的影响向量,从而把网络中节点的拓扑性质转化为代数空间上向量的几何关系,然后用结合模块度的层次聚类挖掘社会网络中的社团结构。该算法优点是不需要预先知道社团的数量或社团内节点的数量,用Zachary空手道俱乐部网络、大学足球赛网络以及海豚关系网络的数据进行验证,该算法划分的社团准确性超过了Newman的结论。    

19.  一种基于聚集系数的复杂网络社团划分算法  
   王学凯  马英红《网络安全技术与应用》,2012年第9期
   ;社团划分算法是复杂网络研究中的一个热点问题,为发现复杂网络中的社团结构,更好的研究复杂网络的社团性质,本文利用网络中聚集系数提出了一种新的社团划分的算法,该算法综合运用复杂网络中点和边的信息,根据节点和边的聚集系数,计算出节点问的连接紧密程度,由局部到整体来划分出所有的社团结构。传统的复杂网络社团划分算法通过获得全局网络的信息,但随着网络规模的增加,获得全局网络的信息的难度也随之增加,本文提出的新算法避免这一难度所带来的问题。将该算法应用到Zachary空手道俱乐部网络和海豚社会网络,测试结果证明了该算法的可行性。    

20.  基于社团强度系数的社团结构发现算法  
   赵京胜  孙宇航  韩凌霄《计算机科学》,2015年第42卷第5期
   社团结构是复杂网络普遍存在的拓扑特性之一.为了将复杂网络中的社团结构有效地划分出来,在对强社团定义的基础上,引入社团强度系数的概念,提出了一种基于社团强度系数的社团结构发现算法.该算法具有较低的时间复杂度,通过不断寻找网络最大度数的节点及其邻居节点,计算其社团强度系数来衡量社团如何划分.主要针对Zachary网络和Dolphin网络等进行了仿真实验,结果表明该算法具有较高的社团划分准确度、较好的敏感性和良好的可扩展性,充分验证了其可行性和有效性.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号